ANALISIS DE LA TASA DE DEFORESTACION DE LA REGION PIURA DEL PERIODO

Transcripción

1 ANALISIS DE LA TASA DE DEFORESTACION DE LA REGION PIURA DEL PERIODO PRODUCTO 3: Informe de la Tasa Anual de Deforestación y de la Superficie deforestada en los últimos 05 años; y Modelo Espacial de riesgo de Deforestación El desarrollo socioeconómico y el proceso de deforestación en algunas zonas de departamento de Piura se caracterizan por presentar periodos marcados, cuyas causas han sido principalmente las políticas orientadas hacia la explotación de recursos naturales. Carlos Hildebrando Castillo Albines- Ingeniero Geógrafo CIP Nº Fam. Castillo 01/01/2015

2 1. ANÁLISIS PRELIMINAR: En base a los términos de referencia se procedió a realizar la planificación que permita el logro de este producto para lo cual se procedió a realizar el análisis de las imágenes de satélite existentes determinando para cada año de análisis la cantidad de área deforestada. 2. EJECUCIÓN DEL PRODUCTO: 2.1 Metodología Pre-procesamiento de imágenes satelitales La búsqueda de imágenes de satélite se realizó a través de diferentes fuentes y medios, siendo las más adecuadas para el análisis y evaluación los sensores TM y ETM+ del satélite Landsat 7 y Landsat 8. La decisión de utilizar estos sensores se tomó debido a que básicamente fueron creados para la investigación de recursos naturales; sus características espaciales, espectrales, radiométricas y temporales poseen cierta particularidad que hace posible observar características de la superficie en cierto rango del espectro. Para la extensión que abarca el área de estudio se utilizaron imágenes satelitales Landsat 8, como se muestra en la figura 1. El criterio de selección de las imágenes fue el de que no presentasen errores ni distorsiones de tipo radio métrica, geométrica o atmosférica y que tengan un máximo de 10% de nubes y sombras en el área de estudio. Figura N 01 Selección de Imágenes Procesamiento de imágenes satelitales utilizadas

3 Para el procesamiento de las imágenes satelitales se utilizaran los programas Erdas Imagine 2013 y ArcGis 10.3 La secuencia de trabajo se inicio con la importación y combinación de banda 7 (infrarrojo medio) en rojo, banda 4 (infrarrojo cercano) en verde y banda 3 (rojo), obteniendo un único archivo por imagen Procesamiento digital de imágenes de satélite (georreferenciación, mejoramiento radio métrico) Este proceso se entiende como aquellas operaciones que han permitido realizar mejoras en las imágenes de satélite con la finalidad de realzar su apariencia visual para obtener información útil de las mismas Búsqueda, recopilación y evaluación de datos satelitales: La búsqueda y recopilación de la data satelital se realizo en diferentes fuentes (proveedores). En la búsqueda y evaluación de las imágenes se considero los tipos de satélites y sensores desde el punto de vista de sus características espaciales, espectrales, radio métricas, temporales, entre otras, y que son de importancia y útiles para el propósito del proyecto. se optó por la adquisición a través del Internet de los diferentes servidores: Instituto Nacional de Investigación Espacial de Brasil (INPE). Earth Science Data Interface (ESDI). United States Geological Survey (USGS) - The Global Visualization Viewer (Glovis). Para realizar el análisis de las imágenes se determinó trabajar con la banda 3 (0,63 a 0,69 micrones) que puede ser absorbida por la clorofila, muy útil para la clasificación de la cobertura vegetal. Esta banda pertenece al grupo de las visibles. La banda 4 (0,76 a 0,90 micrones), útil para determinar el contenido de biomasa y para la delimitación, principalmente, de cuerpos de agua. Finalmente, la banda 5 (1,55 a 1,75 micrones) que puede discriminar el contenido de humedad de la vegetación y del suelo. Estas dos últimas bandas pertenecen al grupo de las infrarrojas cercanas. Para la interpretación visual se realizaran dos combinaciones a manera de prueba, para observar las características de tonalidad y manifestación de colores. Las combinaciones probadas fueron 453 RGB y 543 RGB. En estas combinaciones se puede tener una visión de pseudo color. Esto implica que una imagen con estas combinaciones no refleja los colores naturales de las características del paisaje, pero si son perceptibles y se pueden discriminar fácilmente los elementos del paisaje. Esta combinación de bandas es comúnmente usada para estudios de vegetación, aunque en ella se puso especial énfasis en las características espectrales que sirvieron para determinar el cambio de cobertura vegetal a otro tipo de uso; es decir, la deforestación. Todas estas imágenes, después de haber sido transformadas al formato adecuado (*.img), se prepararon para ser corregidas y mejoradas geométricamente (proceso de georreferenciación); fueron asignadas a un sistema de proyección WGS 84 ZONA 17 SUR.

4 2.1.4 Corrección geométrica o georreferenciación La corrección geométrica, o georreferenciación, es considerada un proceso de importancia en el procesamiento de imágenes debido a que las imágenes deben estar localizadas en un mismo espacio geográfico para que, al momento de hacer el empalme, no exista desplazamiento una respecto a otra y el área de traslape tenga continuidad de imagen a imagen. Existen tres procesos de georreferenciación: a) imagen a imagen; b) cartografía digital a imagen; y c) cartografía análoga a imagen. En el primer caso, la corrección se hace con una imagen que cuenta con un sistema de proyección. En el segundo caso, se hace uso de la cartografía digital transfiriendo los puntos de control terrestre a la imagen sin proyección (imagen cruda). Finalmente, el tercer caso es parecido al segundo, pero la diferencia es que se utiliza la cartografía de la Carta Nacional para localizar los puntos de control terrestre Corrección radio métrica Las escenas Landsat vienen sin corrección de los datos espectrales al sensor, lo cuál significa que se requiere corregir dos aspectos: Aplicar un gain y un offset a los DN (Digital Number), en función a los parámetros proporcionados en la cabecera de cada imagen, para cada banda. Aplicar un algoritmo a cada banda para quitar los efectos de la atmósfera. Este proceso es particularmente importante porque el proyecto requiere realizar análisis de cambio, lo que involucra que las imágenes deban presentar valores normalizados antes de seguir con los pasos de comparación. Los procesos de esta etapa fueron realizados usando una herramienta del software para el procesamiento de imágenes de satélite llamado ERDA 20134, justamente dedicado a cumplir con este proceso que permite agregar un valor único de gain y offset a los DN de cada banda, esto es un cálculo matricial de base. La corrección atmosférica es un procedimiento que tiene el efecto de dispersión de energía electromagnética en las partículas de agua suspendidas en la atmósfera, permitiendo a los objetos sin cambios, de manera temporal. El procedimiento usado para la corrección atmosférica fue el método conocido como DOS (DarkObjectSubtraction o Método de Sustracción de Píxeles Oscuros) o Método de Chávez. Este método nos permite ingresar información requerida: la fecha de toma, elevación del Sol, el medio ambiente general y otros parámetros que definen, de manera empírica, las condiciones (humedad, concentración de aerosoles, etc.) al momento de la toma de la imagen. Estos cambios no afectan mucho la calidad visual de la imagen, pero generan capas espectrales confiables para los cálculos de clasificación que se requieren en los siguientes pasos que se desarrollaran. 2.2 Clasificación supervisada para la obtención de áreas deforestadas Generación de data vectorial (interpretación visual de los patrones de deforestación)

5 Este proceso se inició con la evaluación de la información temática generada en fechas pasadas. Es decir, se toma como referencia la deforestación calculada para el 2010, y, luego, se procede a la digitalización o acondicionamiento de los patrones de deforestación hacia el año Con las imágenes de satélite y la cartografía oficial (Carta Nacional), en formato digital, se hara el acondicionamiento cartográfico de la red hidrográfica del área de estudio. Este acondicionamiento se hizo sobre los vectores de ríos (polígonos) así mismo se utilizara la información de la Zonificación Ecológica Económica del Departamento de Piura como es el mapa de Cobertura de Vegetal Interpretación y digitalización de la información temática Consiste en la observación, análisis y trazado de las características de la superficie terrestre desde el punto de vista del tema en observación, es decir, se consideran los aspectos más importantes sobre los patrones de deforestación. En este caso, la interpretación de la deforestación, fue un proceso que se fundamentó en la delimitación y separación de unidades sobre la base de elementos identificables, haciendo uso de imágenes de satélite ópticas (Landsat 8) a una escala de 1:100,000. Mediante el análisis visual y la delimitación digital de las imágenes de satélite se consideraron ciertos elementos que permiten identificar patrones de deforestación. Estos elementos son: Forma: La forma es una de las primeras características discriminantes, usadas cuando se interpreta visualmente una imagen. Las características totales del límite de un objeto junto con el tamaño del objeto permiten que muchos objetos sean reconocidos. Tono: Hace referencia a la intensidad de energía registrada por el sensor en una determinada banda. Cada cubierta de usos/ocupación de la tierra tiene determinados tonos según la banda espectral del satélite que se utilice. Color: La composición coloreada de distintas bandas espectrales de una misma escena produce un aumento de la información disponible para poder interpretar una determinada imagen. Textura: Esta cualidad hace referencia a la aparente suavidad o rugosidad de determinadas áreas de la imagen y es fruto de la relación entre el tamaño de los objetos representados en la imagen y la resolución espacial del sistema sensor. Entorno espacial: Determinadas cubiertas de interés pueden ser discriminadas con criterios de interpretación basados en el conocimiento del área de estudio por parte del intérprete. El contexto espacial es imposible de abordar por técnicas digitales y permite afinar los resultados de cualquier tipo de interpretación. Otros criterios: El reconocimiento de patrones espaciales, formas y contornos de elementos presentes en la imagen fruto de la ocupación antrópica del territorio, así como elementos propios de la fecha de adquisición de las imágenes como son el conocimiento de la fenología del área de estudio y las sombras de la imagen Análisis de las imágenes: Una vez que todas las imágenes fueron corregidas (geométrica y radio métrica), se realizó la determinación de las áreas de entrenamiento para la clasificación supervisada.

6 Esta fase consiste en seleccionar muestras representativas del área de estudio, basándose en el conocimiento que se tiene sobre la imagen y la zona de estudio como se muestra en la figura N 02. Figura N 02-Analisis de Imagenes Luego, se procedió a realizar las pruebas con los diferentes métodos de clasificación supervisada, eligiendo el que realiza la mejor discriminación de clases por la experiencia se presume que el método que mejor se adaptará será el clasificador del tipo Maximum likelihood La clasificación supervisada de Maximum likelihood supone que las estadísticas de cada clase, en cada banda, tienen una distribución normal y se calcula la probabilidad de que un píxel pertenece a una clase específica. A menos que se seleccione un umbral de probabilidad, todos los píxeles se clasifican. Cada píxel se le asigna a la clase que tiene la probabilidad más alta (probabilidad máxima). Como señala Richards (1999), si la probabilidad más alta es menor que un umbral especificado, el píxel permanece sin clasificar. ERDAS implementa la clasificación de máxima probabilidad mediante el cálculo de funciones discriminantes para cada píxel de la imagen. Posteriormente, se realizara la post-clasificación con los algoritmos Sieve y Clump que resuelven los problemas de los pixeles sueltos. Luego de la clasificación supervisada, se realiza una separación de la clase de deforestación para convertir el resultado a un formato vector, para su posterior exportación a formato Shapefile. Así mismo se establecerán las unidades de interpretación: Por ejemplo: Áreas Deforestadas (D)

7 Áreas con Bosque (B) Ríos (R) Represas, Lagunas (L) Otras unidades Para el cálculo de la tasa de deforestación anual se empleó la siguiente fórmula: D = (Df Di)/N Donde: D: Tasa de deforestación Df: Superficie deforestada año final Di: Superficie deforestada año inicial N: número de años del período 2.3 Ejecución de la interpretación El punto base de la interpretación es la imagen landsat del año 2010 y como punto de quiebre de comparación la imagen del año 2015 como corte con un lapso de 5 años. (Figura Nº 03) Figura Nº 03- Imágenes de Satélite LandSat 2010

8 Se procedió a realizar una clasificación supervisada que contempla los procedimientos de agrupación de los píxeles de una imagen conforme a su similitud espectral, el nivel de detalle y la leyenda temáticos preestablecidos a priori. Para este fin sobre la imagen original se seleccionan y se delimitan los grupos de píxeles, que representan los patrones de diferentes clases temáticas (muestras). Es importante que la muestra sea homogénea, pero al mismo tiempo incluye la variabilidad espectral de cada clase temática. Se realizó el muestreo de pixeles por imagen compilada tal y como se muestra en la figura siguiente: (Ver Figura Nº 04 y 05).

9 Figura Nº 04- Muestreo Imágenes de Satélite Landsat 2015 Figura Nº 05- Muestreo Imágenes de Satélite Landsat 2015

10 Al realizar las clasificaciones supervisadas de los años 2011, 2012, 2013, 2014 y 2015 se obtuvieron los siguientes valores: DEFORESTACION AÑO 1990=184, Ha DEFORESTACION AÑO 2000=308, Ha DEFORESTACION AÑO 2009=543, Ha. DEFORESTACION AÑO 2010= 601,275.23Ha DEFORESTACION AÑO 2011= 612, Ha. DEFORESTACION AÑO 2012= 628, Ha DEFORESTACION AÑO 2013= 643, Ha. DEFORESTACION AÑO 2014= 659, Ha. DEFORESTACION AÑO 2015= 677, Ha. CALCULO DE LA TASA ANUAL: Para el cálculo de la tasa de deforestación anual se empleó la siguiente fórmula: D = (Df Di)/N Donde: D: Tasa de deforestación Df: Superficie deforestada año final Di: Superficie deforestada año inicial N: número de años del período 677, , = 19, Ha/ Año 25 Cuadro Superficie Deforestada Años Periodo (Años) Sup. Deforestada (Ha) , , , , , , , ,569.07

11 Figura N 06- Comportamiento Deforestacion Departamento de Piura Comportamiento de la Deforestacion Periodo (Años) Sup. Deforestada (Ha)

12 MAPA DE DEFORESTACION 2011

13 MAPA DE DEFORESTACION 2012

14 MAPA DE DEFORESTACION 2013

15 MAPA DE DEFORESTACION 2014

16 MAPA DE DEFORESTACION 2015

17 3. Modelo Espacial de Riesgo de Deforestacion 3.1 Metodología a empleada Se elaboró una base de datos espacial sobre los cambios en la cobertura para ello se utilizaron las imágenes de Landsat 8 para lo cual se aplicara un algoritmo de detección de cambios estas imágenes serán simplificadas para generar imágenes binarias de 2 clases forestal y no forestal. En un paso siguiente estas imágenes se cruzaron para generar imágenes de cambio que indican las combinaciones forestal/forestal (persistencia de bosque) y forestal/no forestal (deforestación). Se buscara establecer la relación entre la deforestación y variables consideradas a priori como variables que podían controlar los patrones espaciales de la deforestación como la distancia a vías de comunicación y los asentamientos humanos, la elevación, la pendiente, los suelos. Se generaran las variables espaciales que se indican a continuación: Distancia a las carreteras Distancia a los asentamientos humanos Distancia al área forestal más cercana Área susceptible a presión humana. Para esto se tiene como premisa del modelo La deforestación de desarrolla cerca a núcleos poblacionales y vías comunicación La generación del modelo requiere una etapa de recolección de datos como Mapa de Uso de Suelo, Mapa de Potencial Forestal, Mapa de influencia de Centros Poblados, Mapa de Distancia a las Carreteras por parte de los Centros Poblados y Mapa de Pendientes a cada una de estas variables se les asignara una ponderación especial de acorde a su grado de intervención e importancia en el modelo. 1 1 Determinación Tasa de Deforestación Ing. Carlos H. Castillo Albines

18

19

20 3 Conclusiones La presente evaluación ha considerado desde el año 2011 hasta el año 2015 lo cual permite realizar una evaluación más precisa del proceso de deforestación, según la Figura N se aprecia que la deforestación se mantiene estable con una variación mínima esta se debe a las políticas implementadas a nivel regional en lucha contra la deforestación. Cabe mencionar que la estimación del valor promedio de deforestación anual (ha/año) proviene de sólo tres valores o evaluaciones. Para tener estimaciones más reales y precisas de este valor, es necesario contar con un mayor número de evaluaciones. Puede haber sucedido que la deforestación no ha sido regular durante los períodos evaluados, sino más bien pudo haber estado concentrada en algunos años, entonces de haber sucedido así, el promedio estimado no estaría reflejando la realidad, pudiendo cometer por tanto un sesgo al hacer afirmaciones presente y futuras. Según el Diagnostico Forestal del 2012 Piura tiene una superficie deforestada de 543,872 Ha. Para el año 2009 lo cual ha sido corroborado con la interpretación de imágenes de Satélite. No existe una ocupación planificada de las tierras para desarrollar actividades agrícolas, pecuarias y forestales en tierras boscosas, también, ha existido y sigue existiendo la actividad agrícola migratoria ilegal y desordenada, sin ningún tipo de planificación. En ambos casos, la deforestación resulta inminente. 4 Anexos Anexo 1. CD Conteniendo información recopilada.